Vozes clonadas no vishing: da videochamada deepfake da Arup à palavra-código familiar
No telefone, a voz de uma pessoa costumava ser quase uma prova de identidade. Ferramentas baratas de clonagem de voz encerraram silenciosamente essa suposição. Um fraudador com alguns segundos de áudio — um trecho de podcast, uma saudação de caixa postal, um vídeo publicado na internet — pode produzir fala que parentes, colegas e atendentes de call center não distinguem de forma confiável do original. A técnica alimenta o vishing — phishing por voz — e em 2026 já há vítimas corporativas e familiares documentadas, além de pesquisas mostrando por que ouvintes humanos e algumas verificações automáticas deixam passar as falsificações.
A videochamada de 200 milhões de dólares de Hong Kong
O caso que transformou a clonagem de voz de novidade em risco de conselho ocorreu em Hong Kong em janeiro de 2024. Um funcionário do setor financeiro de uma multinacional recebeu uma mensagem que aparentemente vinha do diretor financeiro da empresa no Reino Unido, descrevendo uma transação secreta. Suspeitou de phishing — até entrar em uma videoconferência em que o CFO e vários colegas que ele reconhecia apareciam na tela. Segundo a polícia de Hong Kong, todos os participantes eram deepfakes. O funcionário fez 15 transferências somando 200 milhões de dólares de Hong Kong — cerca de 25,6 milhões de dólares americanos — para cinco contas bancárias locais; a fraude veio à tona apenas quando ele confirmou com a sede. Como colocou o superintendente-chefe Baron Chan:Na videoconferência com várias pessoas, descobriu-se que todos [que ele via] eram falsos.A empresa de engenharia Arup foi depois identificada como a vítima e confirmou o incidente em maio de 2024, dizendo ter notificado a polícia no início do ano e que sua estabilidade financeira, operações e sistemas internos não foram afetados. Seu diretor de informação, Rob Greig, observou que ataques incluindo fraude de faturas, phishing, falsificação de voz no WhatsApp e deepfakes haviam ganhado muita sofisticação. A polícia classificou o caso como obtenção de patrimônio por engano; até então, nenhuma prisão havia sido anunciada.
Emergências familiares com uma voz conhecida
A mesma técnica alcança lares comuns. A FTC dos EUA alertou em março de 2023: no clássico golpe do neto — uma ligação de um parente que bateu o carro e está preso —, quem liga agora pode ser um clone. Tudo de que o golpista precisa, escreveu a agência, é de um curto trecho de áudio com a voz de um familiar, retirado de conteúdo publicado na internet. O conselho da FTC é procedimental: desligar, retornar para a pessoa por um número que se saiba ser dela, verificar com outro parente e tratar como sinais de alerta pedidos de transferência, criptomoedas ou compra de cartões-presente. Casos europeus mostram o mesmo padrão contra outros tipos de alvos. Na Itália, uma mulher idosa foi lesada em 30 mil euros por uma chamada que usava o que parecia ser a voz de sua filha, segundo reportagem do Guardian de fevereiro de 2025. No mesmo mês, promotores de Milão receberam queixas de proeminentes figuras empresariais — entre elas funcionários de Giorgio Armani e o presidente do conselho da Prada, Patrizio Bertelli — depois que golpistas clonaram a voz do ministro da defesa Guido Crosetto e os ligaram, supostamente para reunir resgate de jornalistas sequestrados, com reembolso prometido pelo Banco da Itália. Ao menos uma vítima transferiu no total 1 milhão de euros para uma conta em Hong Kong.Por que falham os ouvidos — e algumas verificações
Ouvintes humanos são uma linha de defesa fraca. O Relatório de Inteligência de Voz e Segurança 2025 da Pindrop, baseado na análise de mais de 1,2 bilhão de chamadas de clientes, registrou alta de mais de 1.300 por cento nas tentativas de fraude com deepfakes em centrais de atendimento em 2024 — de uma média de uma tentativa por mês para sete por dia —, além de alta de 173 por cento em chamadas com voz sintética entre o primeiro e o último trimestre do ano. Ataques com voz sintética contra bancos cresceram 149 por cento, e o relatório projetou que as centrais de atendimento podem enfrentar exposição a fraude de cerca de 44,5 bilhões de dólares em 2025. A verificação biométrica também não é panaceia: a polícia de Hong Kong disse que deepfakes foram usados pelo menos 20 vezes em fraude relacionada para vencer verificações de reconhecimento facial que imitavam titulares de documentos de identidade. Verificações baseadas em voz enfrentam o mesmo problema: um clone é uma versão sintética do sinal real, e áudio telefônico curto e de baixa qualidade torna a detecção automática mais difícil, não mais fácil. Fornecedores de detecção melhoram, mas o lado de quem liga na corrida também está industrializado, e o volume, pelos próprios números da Pindrop, cresce mais rápido do que os filtros.O que ainda funciona
Diante dos limites da detecção, as defesas que se sustentam são procedurais. Entre as sugestões no alerta da FTC estavam palavras-código familiares — uma frase combinada fora de linha que toda ligação de emergência genuína deve incluir — e perguntas de verificação que só o parente de verdade saberia responder, embora tais detalhes possam vazar pelas redes sociais. A disciplina de retornar a um número conhecido, discado de forma independente, continua sendo o passo mais confiável, porque tira o canal do atacante da cadeia:- Combinar uma palavra-código familiar para emergências — e usá-la.
- Desligar e retornar por um número que você já tem — não por um informado por quem liga.
- Tratar urgência, sigilo e meios de pagamento incomuns como transferências, cripto ou cartões-presente como a assinatura do golpe, não como um detalhe.
- Limitar as amostras limpas de voz publicadas em saudações de caixa postal e vídeos públicos.